准确连续的远程监测步长可以作为神经系统疾病和衰老的敏感指标

发布时间:2024-09-20 10:08:18 栏目:生活

    导读 •研究人员利用机器学习技术开发了一种算法,可以将贴在下背部的小型、轻便、防水的可穿戴传感器的数据转换为步长的准确估计值。该模型...

    •研究人员利用机器学习技术开发了一种算法,可以将贴在下背部的小型、轻便、防水的可穿戴传感器的数据转换为步长的准确估计值。该模型的准确度几乎是目前公认的生物力学模型的四倍。

    • 研究人员表示:“步长是一种敏感且非侵入性的测量方法,可以测量与衰老、认知能力下降以及帕金森症、阿尔茨海默症和多发性硬化症等多种神经系统疾病相关的问题。我们的模型能够在日常生活中持续监测患者病情的这一关键方面。”

    特拉维夫大学和伊奇洛夫特拉维夫索拉斯基医疗中心(特拉维夫)的研究人员领导了一项多学科国际研究,开发了一种基于机器学习的创新模型,可以准确估算步长。新模型可以集成到可穿戴设备中,该设备通过“皮肤胶带”连接到下背部,可以持续监测患者日常生活中的步数。研究人员表示:“步长是衡量各种问题和疾病的敏感指标,从认知能力下降和衰老到帕金森症。现有的传统测量设备是固定的、笨重的,只能在专门的诊所和实验室中找到。我们开发的模型可以使用可穿戴传感器在患者全天的自然环境中进行精确测量。”

    该项研究由特拉维夫大学生物医学工程系研究生 Assaf Zadka、特拉维夫大学医学与健康科学学院和 Sagol 神经科学学院物理治疗系以及特拉维夫苏拉斯基医疗中心 (TASMC) 学系的 Jeffrey Hausdorff 教授以及特拉维夫大学弗莱施曼工程学院工业工程系的 Neta Rabin 教授领导。参与研究的还有来自 TASMC 的 Eran Gazit、特拉维夫大学医学与健康科学学院和 Sagol 神经科学学院以及 TASMC 的 Anat Mirelman 教授,以及来自比利时、英国、意大利、荷兰和美国的研究人员。该研究得到了特拉维夫大学人工智能和数据科学中心的支持。描述该研究的文章发表在《数字医学》杂志上。

    豪斯多夫教授是步行、衰老和学领域的专家,他解释说:“步长是一种非常敏感且无创的测量方法,可用于评估各种状况和疾病,包括衰老、神经系统和神经退行性疾病导致的退化、认知衰退、阿尔茨海默氏症、帕金森氏症、多发性硬化症等。如今,通常使用专门实验室和诊所的设备来测量步长,这些设备基于摄像头和力敏步态垫等测量设备。虽然这些测试很准确,但它们只能提供一个人的步行快照,可能无法完全反映现实世界的实际功能。日常生活中的步行可能会受到患者的疲劳程度、情绪和药物等因素的影响。这种新的步长模型可以实现连续、全天候监控,从而捕捉这种现实世界的步行行为。”

    机器学习专家 Rabin 教授补充道:“为了解决这个问题,我们试图利用 IMU(惯性测量单元)系统——一种轻便且相对便宜的传感器,目前安装在每部手机和智能手表中,并测量与步行相关的参数。之前的研究已经研究了基于 IMU 的可穿戴设备来评估步长,但这些实验仅在没有行走困难的健康受试者身上进行,基于小样本量,无法进行推广,而且设备本身佩戴起来不舒服,有时需要多个传感器。我们试图开发一种高效便捷的解决方案,适合有行走问题的人,如病人和老人,并允许在患者熟悉的环境中全天量化和收集步长数据。目标是开发一种能够将 IMU 数据转换为步长的准确评估的算法,该算法可以集成到可穿戴的舒适设备中。”

    为了开发该算法,研究人员使用了基于 IMU 传感器的步态数据,以及之前研究中常规测量的步长数据,这些数据来自 472 名患有不同疾病的受试者,例如帕金森症患者、轻度认知障碍患者、健康老年受试者以及年轻健康成年人和多发性硬化症患者。通过这种方式收集了一个包含 83,569 步的准确而多样的数据库。研究人员使用这些数据和机器学习方法来训练多个计算机模型,这些模型将 IMU 数据转换为步长的估计值。为了测试模型的稳健性,研究人员随后确定了各种模型在多大程度上能够准确分析训练过程中未使用的新数据——这种能力被称为泛化。

    Assaf Zadka:“我们发现名为 XGBoost 的模型是最准确的,比目前用于估计步长的最先进的生物力学模型准确 3.5 倍。对于单个步骤,我们的模型的平均误差为 6 厘米,而传统模型预测的误差为 21 厘米。当我们评估平均 10 步时,我们得出的误差小于 5 厘米 - 这个阈值在专业文献中被称为‘具有临床重要性的最小差异’,可以确定受试者状况的显著改善或下降。换句话说,我们的模型是稳健可靠的,可用于分析原始训练集中未包括的受试者(其中一些有行走困难)的传感器数据。”

    Hausdorff 教授总结道:“我们在研究中与世界各地不同领域的研究人员进行了合作,多学科的努力取得了令人鼓舞的成果。我们开发了一种机器学习模型,该模型可以与可穿戴且易于使用的传感器集成,从而准确估计患者在日常生活中的步长。以这种方式收集的数据可以持续、远程和长期监测患者的病情,也可用于临床试验以检查药物的有效性。基于我们令人鼓舞的结果,我们正在研究是否有可能根据智能手表中传感器的数据开发类似的模型,这将进一步提高受试者的舒适度。”

免责声明:本文由用户上传,如有侵权请联系删除!